《Science Bulletin》:Large language model-guided high-throughput screening for accelerated discovery of Pt-based high-entropy electrocatalysts
编辑推荐:
摘要基于铂的高熵合金(Pt-HEA)催化剂在析氢反应(HER)中展现出巨大的潜力,然而其庞大的组成空间给传统的试错法带来了巨大挑战。在此,我们提出了一种大语言模型(LLM)引导的闭环高通量发现框架,以加速Pt-HEA催化剂的理性设计与优化。该框架首先从大量文献中提取结构化知识
摘要
基于铂的高熵合金(Pt-HEA)催化剂在析氢反应(HER)中展现出巨大的潜力,然而其庞大的组成空间给传统的试错法带来了巨大挑战。在此,我们提出了一种大语言模型(LLM)引导的闭环高通量发现框架,以加速Pt-HEA催化剂的理性设计与优化。该框架首先从大量文献中提取结构化知识,并结合检索增强生成(RAG)技术,开发了一个针对高熵合金电催化研究的LLM助手。该助手将零散的文献知识、实验约束和平台能力转化为实验上可行的Pt-HEA候选组合以及可执行的实验方案。高通量合成与筛选实现了对多个Pt-HEA候选材料的快速评估,随后通过贝叶斯优化在代表性的Fe-Co-Ni-Cu-Pt体系中高效优化成分。由此建立了一个协同闭环工作流程,将LLM辅助候选材料生成、高通量反馈、贝叶斯优化推荐、密度泛函理论(DFT)机理解析与质子交换膜水电解(PEMWE)器件验证相结合。利用该框架,我们在48小时内完成了三个迭代循环,共涉及50个样品,揭示了Fe-Co-Ni-Cu-Pt体系中HER活性如何依赖于原子比例,并确定了Fe30Co30Ni10Cu10Pt20为最优成分。理论计算表明,Fe、Co、Ni和Cu形成的多金属局部配位环境调节了Pt活性位的电子结构,微调了Pt-H相互作用。进一步的PEMWE测试证实了该催化剂在器件运行条件下具有令人前景的性能。本工作建立了一个可推广的闭环范式,整合了文献知识、实验反馈和模型驱动的决策,为复杂多组分配催化材料的理性设计和高效优化提供了一条可行途径。
引言
质子交换膜水电解(PEMWE)是大规模生产绿氢的理想技术路径[1],[2],[3]。然而,其大规模推广受到阴极析氢反应(HER)对基于铂的催化剂的严重依赖的制约,因为铂的稀缺性和高成本极大地限制了PEMWE的经济可行性[4],[5]。近年来,基于铂的高熵合金(Pt-HEA)催化剂凭借其多元素协同效应和可调节的电子结构[6],[7],[8],在大幅减少铂用量同时保持高催化活性方面展现出前景[9],[10],[11],为设计低贵金属含量的高性能催化剂提供了一种新思路。然而,其庞大的组成空间难以通过传统的试错法进行系统性和高效探索[12],[13],[14],严重阻碍了Pt-HEA催化剂的理性设计和快速发现。
为克服这些瓶颈,数据驱动的高通量实验逐渐被引入高熵合金电催化研究,以加速高熵合金组成空间的探索[15],[16],[17],[18],[19]。在众多新兴方法中,大语言模型(LLMs)在跨领域知识整合和复杂决策支持方面具有独特优势[20],[21],[22],[23],[24],为连接领域知识、实验设计和数据反馈的闭环研究提供了新的可能性。然而,将通用大语言模型直接应用于特定实验场景仍面临重大挑战。这些模型通常缺乏对专业技术细节和隐含实验约束的充分理解[25],[26],[27],其输出往往无法直接执行,并携带不可忽视的幻觉风险[28],[29],[30],[31]。此外,尽管贝叶斯优化等主动学习方法可以通过有限数量的实验在预定义的组成空间中提高搜索效率[32],但它们通常要求研究者指定目标体系、组成边界和实验约束。这些方法主要解决预定义空间内的数值优化问题,而从非结构化文献中提取知识、构建候选空间以及将算法输出转化为可执行的实验任务仍然严重依赖人工输入[33],[34]。因此,亟需一个紧密整合领域知识、实验工作流程和优化策略的协同框架,以实现复杂高熵合金系统的高效可靠探索。
在此,我们提出了一种LLM引导的闭环高通量发现框架,以加速Pt-HEA催化剂的理性设计与优化。在本研究中,检索增强生成(RAG)增强的大语言模型用于文献知识整合、初始候选材料生成、实验流程规划和结构化任务转换,而非直接预测催化性能或独立进行成分优化。通过将RAG赋能的LLM助手、高通量实验、贝叶斯优化、密度泛函理论(DFT)计算和PEMWE器件验证相结合,本研究建立了一条连接"LLM辅助候选材料生成—高通量实验反馈—贝叶斯优化推荐—DFT机理解析—PEMWE器件验证"的协同闭环研究路径。该路径实现了对多个Pt-HEA组合的快速验证,并进一步研究了Fe-Co-Ni-Cu-Pt体系中原子比例对HER性能的影响。通过在48小时内完成的三个迭代优化循环,确定了最优成分Fe30Co30Ni10Cu10Pt20。进一步的DFT计算揭示了多金属局部环境如何通过Pt的局部配位和电子结构调节Pt-H相互作用,而PEMWE测试验证了该催化剂优良的器件性能。本研究为Pt-HEA体系建立了一条人工智能(AI)-高通量闭环发现工作流,为复杂多组分配催化材料的理性设计和快速优化提供了一种可推广的策略。
章节摘要
AI研究助手引导的催化剂设计与闭环优化框架
本研究构建了一个基于RAG增强的GPT-4o(OpenAI;模型版本:gpt-4o)AI研究助手,并将其与结构化数据管理、高通量实验和贝叶斯优化模块相结合,形成了一个闭环优化框架。利用由145篇高熵合金-HER相关文献构建的结构化数据库,结合研究者定义的设计目标、实验约束和平台能力,该助手支持初始候选材料的生成
LLM引导的Pt-HEA电催化剂设计与高通量合成
定制化的LLM工作流可以显著加速催化剂发现过程,并有效缓解通用大语言模型在特定实验场景中面临的常见问题,如知识空白、幻觉和可重复性不足[35],[36],[37],[38]。基于此,我们采用了RAG策略[39],[40],[41]开发了一个基于GPT-4o的定制化AI研究助手,专门用于高熵合金电催化剂开发(图1a)。具体而言,我们首先使用了一个定制化的
结论
总之,本研究开发了一种LLM引导的闭环高通量发现框架,整合了文献知识、实验反馈和模型驱动的决策。利用该框架,我们通过有限次数的迭代和小规模样品集在代表性的Fe-Co-Ni-Cu-Pt组成空间中实现了快速收敛。优化后的成分Fe30Co30Ni10Cu10Pt20在10 mA cm?2时的HER过电位仅为17 mV,表明
致谢
本工作得到了国家自然科学基金(22625406和22574150)、中国科学院改善研究条件科研仪器与装备建设项目(GSZXKYZB2026020)以及长春国家重大专项(23GZZ05)的资助。基于AI的实验、模拟和模型训练是在中国科学院机器人AI科学家平台上完成的。
作者贡献
Min Zhou,Xiangyi Shan,
Lunbo Chen | Xiangyi Shan | Cunhang Qian | Furong Cai | Yuanhua Tu | Jingbo Yu | Pengfei Wang | Zhaoyu Jin | Zhiming Cui | Jianan Xu | Min Zhou